昨天夸国产大模型争气，今天Vidu Q3就霸榜了

昨天刚夸了国产大模型争气，今天就在国际权威 AI 基准测试机构 Artificial Analysis 的最新榜单里，又看到一个中国视频大模型 Vidu——更准确地说，是 Vidu Q3 在 Video Arena（盲测偏好投票、ELO 排名）里冲到了全球第二，国产第一。

Vidu 超过了 Runway Gen-4.5 ，Google Veo3.1 和 OpenAI Sora 2，仅次于 xAI 的 Grok Imagine。

Vidu Q3 是 Vidu 最新一代的商业级视频模型，在 Text-to-Video 总榜里 ELO 评分是 1242，全球范围内排名第二，中国第一，属于第一梯队里的硬核选手。

Vidu 为什么会吸引我呢？

我之前用过好几个视频模型，视频长度不是五秒就是十秒，Vidu Q3 应该是全球首个支持 16秒音视频直出模型：一次生成完整成片，叙事能力更强。声画同出，高清直出，同时还支持中、英、日多国语言对话。

第二个让我在意的是镜头感。Vidu Q3 把“镜头控制、自主切镜”做成了产品特点：Vidu 能在一个片段里完成建立镜头、推进镜头、特写、反打镜头等多个镜头之间的切换，用户可以通过自然语言提示词控制节奏和运镜。

视频的文字控制也很棒，生成视频时可精准渲染中文、英文、日文三种文字，从字幕、路牌到海报文案，都能直接写进提示词里。

有了这些能力，想象空间一下就打开了，不仅是短剧，还有漫剧、影视剧的内容，呼之欲出。角色、冲突、对白、节奏，加上声画一体和多语种文字渲染，组合起来，就是一条从脚本到视听成片的简易生产线。对内容创作者来说，这种改变在于我们可以更自然地把一个完整的情节、一个清晰的亮点，直接丢给模型去剪辑。

体验地址如下：

Vidu官网：vidu.cn 

Vidu 开发者平台：platform.vidu.cn

1、为什么“声画同出和 16 秒”会成为分水岭

过去一年，视频模型的主赛道有点像早期的数码相机：大家盯着分辨率、帧率、稳定性、物理规律……这些当然重要，但它们只解决“画面像不像”。

真正让视频从“素材”变成“内容”的，是声音、节奏：对白、旁白、环境音、音乐、节奏点、停顿和情绪的呼吸，这些都非常重要。

如果你也折腾过各家视频模型，就会发现一个问题：很多模型只管出画面，不管出声音，生成完还得自己再去配音、加音乐、铺环境音。

在 Artificial Analysis 的 Text-to-Video Leaderboard 里，不少头部模型名字后面都跟着一个“(No Audio)”，无声的意思。这些模型在画面维度已经很强了，但在产品形态上，仍然停留在“只给你视频素材”，并没把“声画一体”当成默认交付标准。

Vidu Q3 的产品定义就很直接了，全球首个支持 16 秒 音视频直出模型，一次生成、声画同出、高清直出。

16 秒听起来不长，已经是一个突破了，对于视频来说，多 1 秒表达的内容就会大大增多，16 秒足够完成一次镜头调度（建立空间—推进情绪—落点）；也足够让声音有更多的发挥空间。

我试用了一下，Vidu Q3 的 16 秒文字生音视频直出，不仅能生成画面、音频，还可以“完美适配口型”，支持旁白、双人对话、音效、音乐，并覆盖中/日/英三种语言。

文生视频提示词：

两个女生手里拿着咖啡在街上漫步

镜头一（远景，3 秒）：路灯、驶过的车辆、柔和的城市背景音

镜头二（中景，5 秒）：其中一人轻轻叹气

对白：

朋友 A：“Do you ever feel like you’re stuck?？”

镜头三（特写，4 秒）：朋友 B 啜一口咖啡，然后露出微笑

朋友 B：“Yeah… but maybe being stuck means we’re about to move.”

时长 15 秒，英文对白加音效和音乐，直出搞定，完全不需要再次配乐和配音了。

下面这两个视频分别是中英文男女对话，侧面有柔和的窗外光线，整体色彩偏灰、低饱和，浅景深，带电影胶片颗粒，机位高度接近人眼视角。整体氛围紧张而亲密，充满压抑已久的失望感。中英文两个版本完成度都很高。

2、镜头控制与自动切镜解决了好不好看的问题

如果说 16 秒和声画同出讲的是一个完整的故事，那么镜头控制解决的就是“这个故事讲得好不好看”。Vidu Q3 强调从运镜到节奏的控制，以及“自动切镜”，它让视频生成从“给我一个画面”变成“给我一段可剪的叙事”。

我们来做个相关案例：

一个写实的真人实拍风格棒球场景：下午的一场比赛正在进行。一位父亲和他的儿子坐在看台上，穿着休闲服，手里拿着零食。

镜头 1（建立场景的远景，3 秒）：棒球场全景，观众席欢呼，远处能看到记分牌。

镜头 2（中景，5 秒）：父亲把身子微微探向儿子。

对白：

父亲：Which team do you think will win today?

镜头 3（儿子特写，4 秒）：儿子神情专注地盯着球场。

儿子： I think the new team they just brought in will surprise everyone.

镜头 4（切回父子同框的双人镜头，3 秒）：父亲微笑着点点头。

自然日光，手持摄影的质感，真实的球场观众氛围。

3、 多语言文字渲染：字幕、招牌、海报

视频模型最容易被忽略、但最影响“可用性”的环节，是文字。一段广告、一个路牌、一个片头、一个屏幕 UI，如果文字错了，整个画面再精致也没用，还得用视频剪辑软件重新设计。

Vidu Q3 这次把“文字渲染和多国语言”做成了标配：可精准渲染中/英/日三种文字。

东京夜景航拍，镜头从高空缓慢下降到一块巨型 LED 屏幕。城市环境音+低频电子乐。画面需要清晰可读的三语文字，且字形准确。

1）LED 屏幕先出现中文大字：“声画同出”

2）文字平滑切换为英文：“Audio + Video, Together”

3）再切换为日文：“声と映像、同時に”

最后一帧三行并列排版，字形清晰、无乱码、无错字、无多余符号。稳定推镜+轻微变焦，真实屏幕扫描线与光溢出，夜景反射在玻璃幕墙上。

4、AI 视频逐步可以切入专业级短剧、漫剧和影视剧表达

这里的“剧”不只是短剧平台的剧，更是“有角色、有冲突、有节奏”的内容形态——这样的内容产品要求的是：表演、剪辑、声音这三件事可以同时成立。

这是一个皮克斯式喜剧短片的提示词，效果是这样的：

厨房烤箱内部固定机位，看向外侧。暖色灯光，玻璃门有轻微雾气与反射。饼干在烤盘上逐渐鼓起。蒸汽声、烤箱风扇声清晰。

英文对白，带夸张但自然的动画表演节奏。

Beat 1：面包师贴近玻璃，小声说：

“Today… I achieve perfection.”

Beat 2：他更贴近，紧张补一句：

“Golden edges. Soft center…”

Beat 3：突然停顿，他慌张：

“Wait— did I forget the chocolate ?”

镜头快速切到侧面：同事嚼着饼干说：

“Nope. You forgot the sugar.”

Pixar 3D 动画、表情夸张但节奏精准、音效到位、喜剧停顿明确。

5、从“爆火玩法”到“商业交付”：行业场景开始成形

一通操作玩下来，我觉得用这个产品已经可以创作自己视频号的部分内容了。当视频模型开始默认交付“声画一体、自动切镜和文字渲染”等成果，很多行业场景就不需要再用后期去“补全世界”了。

未来短剧漫剧广告营销、影视生产、自媒体内容、白噪音视频、创意播客……甚至连“开放式办公室四镜头角色演讲 + 环境音效”这种偏制作的脚本都可以创作出来。

最后我给自己做了个“白噪音内容”，晚上催眠用：

雨夜窗边，壁炉火焰燃烧，木质摇椅缓慢摇晃，地上铺白色毛毯。镜头稳定，氛围安静。可循环，无对白，只要环境声。

雨打落叶、微风、壁炉劈啪声、摇椅轻微吱呀声。整体舒缓，不要突然的大音量变化。

写实、暖色、浅景深、细节清晰、画面干净。

6、AI 视频的交付生态变天了

目前 Vidu Q3 在 Video Arena 的 Text-to-Video 领域已跻身全球第二，不仅将单次生成视频的时长从 Q2 的 8 秒跃升至 16 秒，更首次实现了原生音视频同步输出，成为少数真正做到“声画同出”的模型之一。

更关键的突破在于：它的胜出不再依赖某一帧“最惊艳”的画面，而是整个交付形态的质变——一次生成即可获得接近成片的完整内容：对白清晰、节奏流畅、镜头切换自然、文字精准呈现，甚至角色表演都具备可控性。

非常开心看到这种国产视频模型的突飞猛进，这标志着中国的视频模型正在从“技术追赶”转向“内容生产力”的较量。从“制作一支惊艳的样片”迈向“生产多条可直接上线的视频内容”。

我想，这是未来 AI 视频行业竞争的重头戏：不只比拼想象力，更要较量将创意落地为可交付作品的效率与稳定性。期待更多好产品。我要去做自己的视频号内容了～

感兴趣的朋友可以通过下方“阅读原文”进入产品官网体验，使用「MACTALK」这个邀请码注册，可以直接获得 500 积分。